Análise de Regressão Multivariada
Introdução
Um pesquisador coletou dados sobre três variáveis psicológicas, quatro variáveis acadêmicas (resultados de testes padronizados), e o tipo de programa educacional do aluno em 600 estudantes do ensino médio.
Ele está interessado em descobrir como o conjunto de variáveis psicológicas está relacionado com as variáveis acadêmicas e o tipo de programa que o aluno está inserido.
Introdução
Um médico coletou dados sobre o nível de colesterol, pressão arterial e peso. Ele também coletou dados sobre os hábitos alimentares dos pacientes (por exemplo, o quanto de carne vermelha, peixe, produtos lácteos e chocolate são consumidos por semana).
Ele quer investigar a relação entre as três medidas de saúde e hábitos alimentares de seus pacientes.
Introdução
- Regressão Linear Simples: Temos uma variável dependente \(Y\) e uma variável independente \(X\).
- Regressão Linear Múltipla: Temos uma variável dependente \(Y\) e várias variáveis independentes \(X_1, X_2, \cdots, X_r\).
- Regressão Linear Múltipla Multivariada: Temos várias variáveis dependentes \(Y_1, Y_2, \cdots, Y_p\) e várias variáveis independentes \(X_1, X_2, \cdots, X_r\). Nesse caso, cada variável \(Y\) e relacionada com todas as variáveis \(X\).
O caso univariado
Modelo de regressão linear múltiplo univariado
Sejam \(X_1, X_2, \cdots, X_r\) \(r\) variáveis independentes relacionadas à uma variável resposta \(Y\).
O modelo de regressão linear múltipla univariado é dado pela seguinte expressão:
\[\underbrace{Y}_{\text{resposta}} = \underbrace{\beta_0 + \beta_1X_1 + \cdots + \beta_rX_r}_{\text{média; parte estrutural}} + \underbrace{\epsilon}_{\text{erro; parte aleatória}}\]
Modelo de regressão linear múltiplo univariado
- O modelo é dito linear, pois a parte estrutural é linear nos parâmetros \(\beta_j\), \(j = 1, \cdots, r\).
- Se dispomos de \(n\) observações independentes:
\[Y_{i} = \beta_0 + \beta_1X_{1i} + \cdots + \beta_rX_{ri} + \epsilon_i, \hspace{0.2cm} i = 1, \cdots, n\]
Modelo de regressão linear múltiplo univariado
Suposições
- \(E(\epsilon_i) = 0\), \(\forall i = 1, 2, \cdots, n\)
- \(\text{Var}(\epsilon_i) = \sigma^2\), \(\forall i = 1, 2, \cdots, n\) (homocedasticidade)
- \(\text{Cov}(\epsilon_i, \epsilon_k) = 0\), \(\forall i \neq k, \hspace{0.3cm} i,k \in \{1, 2, \cdots, n\}\)
Modelo de regressão linear múltiplo univariado
Em notação matricial, temos:
\[\underbrace{\mathbf{y}}_{n \times 1} = \underbrace{\mathbf{X}}_{n \times (r + 1)} \underbrace{\mathbf{\beta}}_{(r + 1) \times 1} + \underbrace{\mathbf{\epsilon}}_{n \times 1} \]
Suposições
\(E(\mathbf{\epsilon}) = \mathbf{0}\)
\(\text{Var}(\mathbf{\epsilon}) = \sigma^2 \mathbf{I}_n\)
Modelo de regressão linear múltiplo univariado
\[ \mathbf{y} = \left[ \begin{matrix} y_1 \\ y_2 \\ \vdots \\ y_n \end{matrix} \right] \hspace{1cm} \mathbf{X} = \left[ \begin{matrix} 1 & X_{11} & X_{12} & \cdots & X_{1r} \\ 1 & X_{21} & X_{22} & \cdots & X_{2r} \\ \vdots & \vdots & \ddots & \vdots \\ 1 & X_{n1} & X_{n2} & \cdots & X_{nr} \end{matrix} \right] \]
\[ \mathbf{\beta} = \left[ \begin{matrix} \beta_0 \\ \beta_1 \\ \vdots \\ \beta_r \end{matrix} \right] \hspace{1cm} \mathbf{\epsilon} = \left[ \begin{matrix} \epsilon_1 \\ \epsilon_2 \\ \vdots \\ \epsilon_n \end{matrix} \right] \]
Modelo de regressão linear múltiplo univariado
🤔
Observe que ainda não fizemos nenhuma suposição a cerca da distribuição dos erros…
- Para efeito de obter os estimadores de mínimos quadrados, de fato, não é necessária nenhuma suposição sobre a distribuição da parte aleatória
- Para fins de inferência, essa suposição será necessária…
Estimadores de mínimos quadrados
Suponha que a matriz \(\mathbf{X}\) seja de posto-completo tal que suas colunas formam um conjunto L.I.
Neste caso, a matriz \(\mathbf{X}^t \mathbf{X}\) é não singular e o estimador de mínimos quadrados do vetor \(\mathbf{\beta}\) é dado por
\[\widehat{\mathbf{\beta}} = (\mathbf{X}^t \mathbf{X})^{-1}\mathbf{X}^t\mathbf{y}\]
Modelo de regressão linear múltiplo univariado
Os valores ajustados são, então, dados por:
\[\widehat{\mathbf{y}} = \mathbf{X}\widehat{\mathbf{\beta}} = \underbrace{\mathbf{X}(\mathbf{X}^t \mathbf{X})^{-1}\mathbf{X}^t}_{\mathbf{H}}\mathbf{y} = \mathbf{H} \mathbf{y}\]
e os resíduos
\[\widehat{\mathbf{\epsilon}} = \mathbf{y} - \widehat{\mathbf{y}} = (\underbrace{\mathbf{I} - \mathbf{H}}_{\mathbf{P}} )\mathbf{y}\]
satisfazem (somente quando houver a constante \(\beta_0\) no modelo)
\[\mathbf{X}^t\widehat{\mathbf{\epsilon}} = {\mathbf{0}} \hspace{0.5cm} e \hspace{0.5cm} \widehat{\mathbf{y}}^t\widehat{\mathbf{\epsilon}} = 0 \]
Modelo de regressão linear múltiplo univariado
- Observação: Temos que \(\mathbf{H}\) e \(\mathbf{P}\) são matrizes idempotentes (\(\mathbf{H} = \mathbf{H}\mathbf{H}\) e \(\mathbf{H} = \mathbf{H}^t\)).
A soma de quadrados de resíduos é
\[\text{SQ Res} = \displaystyle{\sum_{i=1}^n}(y_i - \widehat{y}_i)^2 = \widehat{\mathbf{\epsilon}}^t\widehat{\mathbf{\epsilon}} = \mathbf{y}^t(\mathbf{I} - \mathbf{H})\mathbf{y} = \mathbf{y}^t\mathbf{y} - \mathbf{y}^t \mathbf{X} \widehat{\mathbf{\beta}}\]
Observe que…
\[\displaystyle{\sum_{i=1}^n} y_i^2 = \mathbf{y}^t \mathbf{y} = (\mathbf{y} - \widehat{\mathbf{y}} + \widehat{\mathbf{y}})^t (\mathbf{y} - \widehat{\mathbf{y}} + \widehat{\mathbf{y}}) = \widehat{\mathbf{y}}^t\widehat{\mathbf{y}} + \widehat{\mathbf{\epsilon}}^t \widehat{\mathbf{\epsilon}}\]
Modelo de regressão linear múltiplo univariado
Uma vez que a primeira coluna de \(\mathbf{X}\) é \(\mathbf{1}\), a condição \(\mathbf{X}^t\widehat{\mathbf{\epsilon}} = {\mathbf{0}}\) inclui a exigência \(0 = \mathbf{1}^t\widehat{\mathbf{\epsilon}} = \displaystyle{\sum_{j=1}^n} \widehat{\mathbf{\epsilon}}_j = \displaystyle{\sum_{j=1}^n} y_j - \displaystyle{\sum_{j=1}^n} \widehat{y}_j\) ou \(\bar{y} = \bar{\widehat{y}}\). Subtraindo \(n\bar{y}^2 = n\bar{\widehat{y}}^2\) de ambos os lados, temos a decomposição básica da soma de quadrados total:
\[\text{SQ Total} = \mathbf{y}^t \mathbf{y} - n\bar{y}^2 = \widehat{\mathbf{y}}^t\widehat{\mathbf{y}} - n\bar{\widehat{y}}^2 + \widehat{\mathbf{\epsilon}}^t \widehat{\mathbf{\epsilon}}\]
Modelo de regressão linear múltiplo univariado
De forma que, o coeficiente de determinação \(R^2\) é dado por:
\[R^2 = 1 - \dfrac{\text{SQ Res}}{\text{SQ Total}} = 1 - \dfrac{\mathbf{y}^t\mathbf{y} - \mathbf{y}^t \mathbf{X} \widehat{\mathbf{\beta}}}{\widehat{\mathbf{y}}^t\widehat{\mathbf{y}} - n\bar{\widehat{y}}^2 + \widehat{\mathbf{\epsilon}}^t \widehat{\mathbf{\epsilon}}}\]
- Observação: \(R^2\) fornece a proporção da variação total dos \(Y_i's\) que é “explicada” pelas variáveis independentes.
Exemplo: Ajuste de modelo de regressão para dados imobiliários
Os dados do arquivo Exemplo_regressao_01.dat referem-se à avaliação imobiliária de 20 casas de determinado bairro em uma cidade. As variáveis envolvidas são:
- \(X_1\): Tamanho total da habitação (em milhares de metros quadrados)
- \(X_2\): Valor da avaliação (em milhares de reais)
- \(Y\): Valor da venda (em milhares de reais)
Exemplo: Ajuste de modelo de regressão para dados imobiliários
dados = read.table("https://raw.githubusercontent.com/tiagomartin/est022/refs/heads/main/dados/Exemplo_regressao_01.dat", header = TRUE)
dados %>% str()'data.frame': 20 obs. of 3 variables:
$ X1: num 15.3 15.2 16.2 14.3 14.6 ...
$ X2: num 57.3 63.8 65.4 57 63.8 63.2 60.2 57.7 56.4 55.6 ...
$ Y : num 74.8 74 72.9 70 74.9 76 72 73.5 74.5 73.5 ...Exemplo: Ajuste de modelo de regressão para dados imobiliários
Exemplo: Ajuste de modelo de regressão para dados imobiliários
Exemplo: Ajuste de modelo de regressão para dados imobiliários
[,1]
[1,] 0.9117402
[2,] 0.1078291
[3,] -3.8305847
[4,] -1.2929930
[5,] 2.6675008
[6,] -3.4763318
Exemplo: Ajuste de modelo de regressão para dados imobiliários
Exemplo: Ajuste de modelo de regressão para dados imobiliários
Exemplo: Ajuste de modelo de regressão para dados imobiliários
Call:
lm(formula = Y ~ X1 + X2, data = dados)
Residuals:
Min 1Q Median 3Q Max
-5.5894 -1.5411 -0.0718 1.3507 6.4605
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 30.96657 7.88221 3.929 0.00108 **
X1 2.63440 0.78560 3.353 0.00377 **
X2 0.04518 0.28518 0.158 0.87598
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 3.473 on 17 degrees of freedom
Multiple R-squared: 0.8344, Adjusted R-squared: 0.8149
F-statistic: 42.83 on 2 and 17 DF, p-value: 2.302e-07Exemplo: Ajuste de modelo de regressão para dados imobiliários
Generalizando
Modelos de Regressão Linear Multivariada
Suponha agora, que a variável resposta é p-variada \(\mathbf{Y}\) e que \(X_1, X_2, \cdots, X_r\) representam as variáveis independentes:
\[Y_1 = \beta_{01} + \beta_{11}X_1 + \cdots + \beta_{r1}X_r + \epsilon_1\]
\[Y_2 = \beta_{02} + \beta_{12}X_1 + \cdots + \beta_{r2}X_r + \epsilon_2\]
\[\vdots \hspace{4cm} \vdots \hspace{4cm} \vdots\]
\[Y_p = \beta_{0p} + \beta_{1p}X_1 + \cdots + \beta_{rp}X_r + \epsilon_p\]
Modelos de Regressão Linear Multivariada
- \(\mathbf{\epsilon} = [\epsilon_1, \epsilon_2, \cdots, \epsilon_p]^t\) com \(E(\mathbf{\epsilon}) = \mathbf{0}\) e \(\text{Var}(\mathbf{\epsilon}) = \mathbf{\Sigma}\)
👉 Portanto, os erros associados a diferentes componentes do vetor resposta podem ser correlacionados.
Notação Matricial
\[\underbrace{\mathbf{Y}}_{n \times p} = \underbrace{\mathbf{X}}_{n \times (r + 1)} \underbrace{\mathcal{B}}_{(r + 1) \times p} + \underbrace{\mathbf{\epsilon}}_{n \times p} \]
Modelos de Regressão Linear Multivariada
\[ \mathbf{Y} = \left[ \begin{matrix} Y_{11} & Y_{12} & \cdots & Y_{1p} \\ Y_{21} & Y_{22} & \cdots & Y_{2p} \\ \vdots & \vdots & \ddots & \vdots \\ Y_{n1} & Y_{n2} & \cdots & Y_{np} \end{matrix} \right] = \left[\mathbf{Y}_{(1)} | \mathbf{Y}_{(2)} | \cdots | \mathbf{Y}_{(p)} \right] \]
\[ \mathbf{X}_{n \times (r + 1)} = \left[ \begin{matrix} 1 & X_{11} & X_{12} & \cdots & X_{1r} \\ 1 & X_{21} & X_{22} & \cdots & X_{2r} \\ \vdots & \vdots & \ddots & \vdots \\ 1 & X_{n1} & X_{n2} & \cdots & X_{nr} \end{matrix} \right] \]
Modelos de Regressão Linear Multivariada
\[ \mathcal{B}_{(r + 1) \times p}= \left[ \begin{matrix} \beta_{01} & \beta_{02} & \cdots &\beta_{0p} \\ \beta_{11} & \beta_{12} & \cdots & \beta_{1p} \\ \vdots & \vdots & \ddots & \vdots \\ \beta_{r1} & \beta_{r2} & \cdots & \beta_{rp} \end{matrix} \right] = \left[\mathbf{\beta}_{(1)} | \mathbf{\beta}_{(2)} | \cdots | \mathbf{\beta}_{(p)} \right] \]
\[ \mathbf{\epsilon} = \left[ \begin{matrix} \epsilon_{11} & \epsilon_{12} & \cdots & \epsilon_{1p} \\ \epsilon_{21} & \epsilon_{22} & \cdots & \epsilon_{2p} \\ \vdots & \vdots & \ddots & \vdots \\ \epsilon_{n1} & \epsilon_{n2} & \cdots & \epsilon_{np} \end{matrix} \right] = \left[\mathbf{\epsilon}_{(1)} | \mathbf{\epsilon}_{(2)} | \cdots | \mathbf{\epsilon}_{(p)} \right] \]
Modelos de Regressão Linear Multivariada
- Suposições do modelo: \(\underbrace{\mathbf{Y}}_{n \times p} = \underbrace{\mathbf{X}}_{n \times (r + 1)} \underbrace{\mathcal{B}}_{(r + 1) \times p} + \underbrace{\mathbf{\epsilon}}_{n \times p}\)
\[E(\mathbf{\epsilon}_{(i)}) = \mathbf{0}, \text{Cov}(\mathbf{\epsilon}_{(i)}, \mathbf{\epsilon}_{(k)}) = \sigma_{ik} \mathbf{I}_n \hspace{0.5cm} i,k = 1, 2, \cdots, p\]
- As p medidas sobre a i-ésima observação têm matriz de covariâncias dada por \(\mathbf{\Sigma} = (\sigma_{ik})\), mas medidas provenientes de observações diferentes são não correlacionadas.
Modelos de Regressão Linear Multivariada
🤔
\(\mathcal{B}\) e \(\mathbf{\Sigma}\) são desconhecidos…
Observe que a i-ésima coluna da matriz resposta segue o modelo linear univariado dado por:
\[\mathbf{Y}_{(i)} = \mathbf{X} \mathbf{\beta}_{(i)} + \mathbf{\epsilon}_{(i)}, \hspace{0.5cm} i = 1, 2, \cdots, p\]
com \(\text{Cov}(\mathbf{\epsilon}_{(i)}) = \sigma_{ii} \mathbf{I}_n\).
Estimação de Mínimos Quadrados
De acordo com o caso univariado, o estimador de mínimos quadrados para o vetor \(\mathbf{\beta}\):
\[\widehat{\mathbf{\beta}}_{(i)} = (\mathbf{X}^t \mathbf{X})^{-1}\mathbf{X}^t \mathbf{Y}_{(i)}, \hspace{0.5cm} i = 1, 2, \cdots, p\]
Uma vez que \(\mathcal{B} = \left[\mathbf{\beta}_{(1)} | \mathbf{\beta}_{(2)} | \cdots | \mathbf{\beta}_{(p)} \right]\), temos
\[\widehat{\mathcal{B}} = \left[\widehat{\mathbf{\beta}}_{(1)} | \widehat{\mathbf{\beta}}_{(2)} | \cdots | \widehat{\mathbf{\beta}}_{(p)} \right] = (\mathbf{X}^t \mathbf{X})^{-1} \mathbf{X}^t \left[\mathbf{Y}_{(1)} | \mathbf{Y}_{(2)} | \cdots | \mathbf{Y}_{(p)} \right]\]
ou,
\[\widehat{\mathcal{B}} = (\mathbf{X}^t \mathbf{X})^{-1} \mathbf{X}^t \mathbf{Y}\]
é o estimador de mínimos quadrados da matriz \(\mathcal{B}\)
Estimação de Mínimos Quadrados
- Matriz de soma de quadrados e produtos cruzados do erros:
\[\text{SQP Res} = \mathbf{\epsilon}^t\mathbf{\epsilon} = (\mathbf{Y} - \mathbf{X} \widehat{\mathcal{B}})^t(\mathbf{Y} - \mathbf{X} \widehat{\mathcal{B}})\]
- Valores ajustados:
\[\widehat{\mathbf{Y}} = \mathbf{X} \widehat{\mathcal{B}} = \mathbf{X}(\mathbf{X}^t \mathbf{X})^{-1} \mathbf{X}^t \mathbf{Y}\]
- Resíduos:
\[\widehat{\mathbf{\epsilon}} = (\mathbf{Y} - \widehat{\mathbf{Y}}) = (\mathbf{Y} - \mathbf{X}\widehat{\mathcal{B}}) = [\mathbf{I} - \mathbf{X}( \mathbf{X}^t \mathbf{X})^{-1} \mathbf{X}^t] \mathbf{Y}\]
Propriedades
Condições de ortogonalidade…
\[\mathbf{X}^t \widehat{\mathbf{\epsilon}} = \mathbf{X}^t[\mathbf{I} - \mathbf{X}(\mathbf{X}^t\mathbf{X})^{-1}\mathbf{X}^t] \mathbf{Y} = \mathbf{0}\]
\[ \widehat{\mathbf{Y}}^t \widehat{\mathbf{\epsilon}} = \widehat{\mathcal{B}}^t \mathbf{X}^t[\mathbf{I} - \mathbf{X}(\mathbf{X}^t\mathbf{X})^{-1}\mathbf{X}^t] \mathbf{Y} = \mathbf{0}\]
Uma vez que \(\mathbf{Y} = \widehat{\mathbf{Y}} + \widehat{\mathbf{\epsilon}}\),
\[\mathbf{Y}^t\mathbf{Y} = (\widehat{\mathbf{Y}} + \widehat{\mathbf{\epsilon}})^t(\widehat{\mathbf{Y}} + \widehat{\mathbf{\epsilon}}) = \widehat{\mathbf{Y}}^t\widehat{\mathbf{Y}} + \widehat{\mathbf{\epsilon}}^t\widehat{\mathbf{\epsilon}}^t + \mathbf{0} + \mathbf{0}^t\]
Propriedades
ou,
\[\underbrace{{\mathbf{Y}}^t{\mathbf{Y}}}_{\text{SQP total}} = \underbrace{\widehat{\mathbf{Y}}^t\widehat{\mathbf{Y}}}_{\text{SQP regressão}} + \underbrace{\widehat{\mathbf{\epsilon}}^t\widehat{\mathbf{\epsilon}}^t}_{\text{SQP Res}}\]
De forma que, a soma de quadrados e produtos cruzados dos resíduos pode ser reescrita como:
\[\widehat{\mathbf{\epsilon}}^t\widehat{\mathbf{\epsilon}}^t = \mathbf{Y}^t\mathbf{Y} - \widehat{\mathbf{Y}}^t\widehat{\mathbf{Y}} = \mathbf{Y}^t\mathbf{Y} - \widehat{\mathcal{B}}^t \mathbf{X}^t\mathbf{X}\widehat{\mathcal{B}}\]
Propriedades do estimador \(\widehat{\mathcal{B}}\)
Para o estimador de mínimos quadrados \(\widehat{\mathcal{B}}\) com a matriz \(\mathbf{X}\) de posto completo, tem-se:
\[ \begin{eqnarray*} E(\widehat{\mathcal{B}}) &=& E[(\mathbf{X}^t\mathbf{X})^{-1}\mathbf{X}^t\mathbf{Y}] = (\mathbf{X}^t\mathbf{X})^{-1}\mathbf{X}^tE(\mathbf{Y}) = \\ &=& (\mathbf{X}^t\mathbf{X})^{-1}\mathbf{X}^t\mathbf{X}\mathcal{B} = \mathbf{I}\mathcal{B} = \mathcal{B} \end{eqnarray*} \]
Além disso,
\[\text{Cov}(\widehat{\mathbf{\beta}}_{(i)},\widehat{\mathbf{\beta}}_{(k)}) = \sigma_{ik}(\mathbf{X}^t\mathbf{X})^{-1}, \hspace{0.5cm} E(\widehat{\mathbf{\epsilon}}) = \mathbf{0}, \hspace{0.5cm} E \left(\displaystyle{\dfrac{\widehat{\mathbf{\epsilon}}^t \widehat{\mathbf{\epsilon}}}{n - r - 1 }} \right) = \mathbf{\Sigma} \]
Propriedades do estimador \(\widehat{\mathcal{B}}\)
- \(\widehat{\mathcal{B}}\) e \(\widehat{\mathbf{\epsilon}}\) são não correlacionados.
- Estimador não viciado para \(\mathbf{\Sigma}\):
\[\widehat{\mathbf{\Sigma}} = \mathbf{S} = \displaystyle{\dfrac{\widehat{\mathbf{\epsilon}}^t\widehat{\mathbf{\epsilon}}}{n - r - 1}} = \displaystyle{\dfrac{(\mathbf{Y} - \mathbf{X} \widehat{\mathcal{B}})^t(\mathbf{Y} - \mathbf{X} \widehat{\mathcal{B}})}{n - r - 1}} = \displaystyle{\dfrac{\mathbf {Y}^t\mathbf{Y} - \widehat{\mathcal{B}}^t \mathcal{X}^t\mathbf{X}\widehat{\mathcal{B}}}{n - r - 1}}\]
Exemplo: O impacto do estresse materno no baixo peso ao nascimento
Os dados do arquivo Exemplo_regressao_02.dat referem-se à medidas antropométricas, sócio-econômicas e variáveis relacionadas ao nível de estresse de 50 gestantes de um determinado município, mensuradas no último trimestre de gestação.
O estresse materno foi avaliado através de quatro variáveis distintas: resultado do teste de Estado de Ansiedade (EA), resultado do teste de Traço de Ansiedade (TA), resultado do Questionário Geral de Saúde (QGS) e Escala de Percepção de Estresse (EPE).
Exemplo: O impacto do estresse materno no baixo peso ao nascimento
Como variáveis resposta, foram avaliados: peso da criança ao nascer (PESO), medido em gramas e a idade gestacional do recém-nascido, (IG), medida em semanas.
As variáveis explicativas ou independentes foram: peso materno (PESOM), em kg, altura materna (ALTURAM), em metros, idade (IDADEM), em anos, renda per capta (RENDA), além dos resultados dos testes de ansiedade.
Exemplo: O impacto do estresse materno no baixo peso ao nascimento
dados = read.table("https://raw.githubusercontent.com/tiagomartin/est022/refs/heads/main/dados/Exemplo_regressao_02.dat", header = TRUE)
dados %>% str()'data.frame': 50 obs. of 11 variables:
$ n : int 1 2 3 4 5 6 7 8 9 10 ...
$ PESOM : num 64.3 124.9 76.3 57.7 68.3 ...
$ ALTURAM: num 1.56 1.56 1.61 1.61 1.63 ...
$ IDADEM : num 34.1 27 31 22.1 20 ...
$ RENDA : num 1.39 11.02 1.71 5.51 3.67 ...
$ EA : int 32 40 47 30 35 35 40 30 40 30 ...
$ TA : int 28 41 61 51 29 43 44 29 33 27 ...
$ QGS : int 3 2 7 2 2 2 1 1 0 0 ...
$ EPE : int 12 31 28 31 17 26 22 12 26 13 ...
$ PESO : num 1772 2105 1744 1468 1793 ...
$ IG : num 38.6 37.6 37.5 37.9 39.5 ...Exemplo: O impacto do estresse materno no baixo peso ao nascimento
X0 PESOM ALTURAM IDADEM RENDA EA TA QGS EPE
[1,] 1 64.3 1.558 34.11 1.39 32 28 3 12
[2,] 1 124.9 1.564 27.04 11.02 40 41 2 31
[3,] 1 76.3 1.609 31.04 1.71 47 61 7 28
[4,] 1 57.7 1.611 22.11 5.51 30 51 2 31
[5,] 1 68.3 1.630 20.00 3.67 35 29 2 17
[6,] 1 56.5 1.675 18.00 0.55 35 43 2 26[1] 50 9Exemplo: O impacto do estresse materno no baixo peso ao nascimento
PESO IG
X0 1212.5343987 24.1758205307
PESOM 6.9887534 0.0001887668
ALTURAM 7.2061375 10.6537733437
IDADEM 0.3215295 -0.0197249682
RENDA 0.4737547 -0.0016100344
EA 9.6597919 -0.0002019132
TA -7.3673052 -0.0301912231
QGS 9.8990680 -0.0192292986
EPE -3.5053898 -0.0447611974Exemplo: O impacto do estresse materno no baixo peso ao nascimento
PESO IG
PESO 70.08242236 0.029858920
IG 0.02985892 0.002944886Exemplo: O impacto do estresse materno no baixo peso ao nascimento
PESO IG
[1,] -2.8456187 -0.044842760
[2,] -1.4182509 0.001179097
[3,] 0.3014800 0.001944569
[4,] 6.0437917 -0.013085406
[5,] -0.9589071 0.008055721
[6,] -1.2939375 0.001918025
Exemplo: O impacto do estresse materno no baixo peso ao nascimento
PESO IG
X0 -3.000787e-08 -5.468692e-10
PESOM -2.097499e-06 -3.819249e-08
ALTURAM -4.783158e-08 -8.712632e-10
IDADEM -7.367790e-07 -1.340978e-08
RENDA -6.381405e-08 -1.157973e-09
EA -1.145607e-06 -2.084996e-08
TA -1.212015e-06 -2.213215e-08
QGS -8.288634e-08 -1.511218e-09
EPE -6.691682e-07 -1.220575e-08Exemplo: O impacto do estresse materno no baixo peso ao nascimento
PESO IG
PESO 152262853 3340853.60
IG 3340854 73669.64Exemplo: O impacto do estresse materno no baixo peso ao nascimento
Response PESO :
Call:
lm(formula = PESO ~ X)
Residuals:
Min 1Q Median 3Q Max
-2.8456 -0.4815 0.0194 0.5147 6.0438
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1212.53440 5.42474 223.519 < 2e-16 ***
XPESOM 6.98875 0.02018 346.247 < 2e-16 ***
XALTURAM 7.20614 3.70926 1.943 0.05894 .
XIDADEM 0.32153 0.03269 9.836 2.38e-12 ***
XRENDA 0.47375 0.15148 3.127 0.00324 **
XEA 9.65979 0.03237 298.405 < 2e-16 ***
XTA -7.36731 0.02412 -305.405 < 2e-16 ***
XQGS 9.89907 0.09466 104.574 < 2e-16 ***
XEPE -3.50539 0.03830 -91.523 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 1.307 on 41 degrees of freedom
Multiple R-squared: 0.9999, Adjusted R-squared: 0.9999
F-statistic: 6.698e+04 on 8 and 41 DF, p-value: < 2.2e-16
Response IG :
Call:
lm(formula = IG ~ X)
Residuals:
Min 1Q Median 3Q Max
-0.044843 -0.001417 0.000802 0.003455 0.009661
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 24.1758205 0.0351649 687.499 <2e-16 ***
XPESOM 0.0001888 0.0001308 1.443 0.157
XALTURAM 10.6537733 0.0240446 443.084 <2e-16 ***
XIDADEM -0.0197250 0.0002119 -93.081 <2e-16 ***
XRENDA -0.0016100 0.0009819 -1.640 0.109
XEA -0.0002019 0.0002098 -0.962 0.342
XTA -0.0301912 0.0001564 -193.072 <2e-16 ***
XQGS -0.0192293 0.0006136 -31.337 <2e-16 ***
XEPE -0.0447612 0.0002483 -180.289 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.008475 on 41 degrees of freedom
Multiple R-squared: 0.9999, Adjusted R-squared: 0.9999
F-statistic: 6.545e+04 on 8 and 41 DF, p-value: < 2.2e-16Exemplo: O impacto do estresse materno no baixo peso ao nascimento
Call:
lm(formula = PESO ~ PESOM + ALTURAM + IDADEM + RENDA + EA + TA +
QGS + EPE)
Residuals:
Min 1Q Median 3Q Max
-2.8456 -0.4815 0.0194 0.5147 6.0438
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1212.53440 5.42474 223.519 < 2e-16 ***
PESOM 6.98875 0.02018 346.247 < 2e-16 ***
ALTURAM 7.20614 3.70926 1.943 0.05894 .
IDADEM 0.32153 0.03269 9.836 2.38e-12 ***
RENDA 0.47375 0.15148 3.127 0.00324 **
EA 9.65979 0.03237 298.405 < 2e-16 ***
TA -7.36731 0.02412 -305.405 < 2e-16 ***
QGS 9.89907 0.09466 104.574 < 2e-16 ***
EPE -3.50539 0.03830 -91.523 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 1.307 on 41 degrees of freedom
Multiple R-squared: 0.9999, Adjusted R-squared: 0.9999
F-statistic: 6.698e+04 on 8 and 41 DF, p-value: < 2.2e-16Exemplo: O impacto do estresse materno no baixo peso ao nascimento
Call:
lm(formula = IG ~ PESOM + ALTURAM + IDADEM + RENDA + EA + TA +
QGS + EPE)
Residuals:
Min 1Q Median 3Q Max
-0.044843 -0.001417 0.000802 0.003455 0.009661
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 24.1758205 0.0351649 687.499 <2e-16 ***
PESOM 0.0001888 0.0001308 1.443 0.157
ALTURAM 10.6537733 0.0240446 443.084 <2e-16 ***
IDADEM -0.0197250 0.0002119 -93.081 <2e-16 ***
RENDA -0.0016100 0.0009819 -1.640 0.109
EA -0.0002019 0.0002098 -0.962 0.342
TA -0.0301912 0.0001564 -193.072 <2e-16 ***
QGS -0.0192293 0.0006136 -31.337 <2e-16 ***
EPE -0.0447612 0.0002483 -180.289 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.008475 on 41 degrees of freedom
Multiple R-squared: 0.9999, Adjusted R-squared: 0.9999
F-statistic: 6.545e+04 on 8 and 41 DF, p-value: < 2.2e-16Exemplo: O impacto do estresse materno no baixo peso ao nascimento
Exemplo: O impacto do estresse materno no baixo peso ao nascimento
